CN108053058A - 一种基于大数据的电动出租车充电桩选址方法 - Google Patents

一种基于大数据的电动出租车充电桩选址方法 Download PDF

Info

Publication number
CN108053058A
CN108053058A CN201711224096.XA CN201711224096A CN108053058A CN 108053058 A CN108053058 A CN 108053058A CN 201711224096 A CN201711224096 A CN 201711224096A CN 108053058 A CN108053058 A CN 108053058A
Authority
CN
China
Prior art keywords
charging pile
time
charge requirement
electric taxi
charging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711224096.XA
Other languages
English (en)
Other versions
CN108053058B (zh
Inventor
张永
杨泽洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201711224096.XA priority Critical patent/CN108053058B/zh
Publication of CN108053058A publication Critical patent/CN108053058A/zh
Application granted granted Critical
Publication of CN108053058B publication Critical patent/CN108053058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于大数据的电动出租车充电桩选址方法，所述的方法包括以下步骤：(1)采集电动出租车的GPS数据；(2)依据GPS数据计算出电动出租车每天的充电需求位置及充电需求时间；(3)计算的每天充电需求位置及充电时间基础上找出满足所有充电需求以及总成本最小的一天最优充电桩数量及选址；(4)计算所有天数充电桩数量的平均值即为本发明的最优充电桩数量。(5)将计算的最优充电桩数量作为K均值聚类的簇数，集中所有天数的最优充电桩位置数据并进行K均值聚类分析，所得簇的位置即为最优充电桩选址。本发明利用车辆的停车时间来给电动出租车充电，可以充分提高电动出租车的运输效率、节约运输成本。

Description

一种基于大数据的电动出租车充电桩选址方法
技术领域
本发明涉及物联网领域，具体涉及一种基于大数据的出租车充电桩选址方法。
背景技术
电动出租车有缓解能源危机、环境污染以及完善汽车行业结构的优势，因此得到国家的大力扶持并有广阔的发展前景。作为电动出租车基础建设的充电系统，合理的充电设施规划不仅关系到消费者的便捷性、经济性，更影响到电动出租车的广泛推广和电动出租车产业的可持续发展。
目前对充电设施规划研究已经取得初步成果，现有技术将充电设施规划分为示范阶段、公益阶段、商业运营阶段等不同的阶段，并提出对应阶段的特点；也有从经济性方面进行研究，将消费者的充电和充电桩投资的总成本作为了优化目标，采用不同的理论和算法，如排队理论、粒子群算法、遗传算法等，研究充电桩最优分布和规模。对于电动出租车充电桩选址，目前主要集中在电动出租车充电桩投资成本方面的优化，对于消费者使用方面研究甚少，然而消费者充电的便捷性则是充电桩选址的重要影响因素，当消费者需要为电动出租车充电时，首先会考虑在距离自己最近的充电桩充电。
中国提出了到2020年电动汽车保有量达到500万辆的发展规划，随着新能源汽车行业的快速发展，充电桩数量有限的瓶颈逐渐显现出来，充电桩位置设置不合理会导致使用率偏低，因此非常有必要研究一种科学合理的充电桩选址。
发明内容
发明目的：本发明提供一种基于大数据的出租车充电桩选址方法，结合大数据技术实现充电需求点的全面挖掘，寻找总成本最小的充电桩选址方案。本发明同时考虑了电动出租车的运输效率及运输成本，以及充电桩的建设和维护成本。
技术方案：一种基于大数据的电动出租车充电桩选址方法，所述的方法基于电动出租车GSP数据和行驶轨迹，利用车辆的停车时间来给电动出租车充电，利用车辆的停车位置进行充电桩选址，包括以下步骤：
(1)获取一天内的电动出租车GPS数据，并刷选出一天内每辆电动出租车的GPS数据；
(2)依据电出租车的GPS数据计算出电动出租车每天的充电需求位置及充电需求时间及其总成本目标函数；
(3)计算每天电动出租车充电需求位置及充电时间，据此计算满足所有充电需求以及总成本最小的一天最优充电桩数量及选址，所述最优充电桩数通过将所有天数的最优充电桩数量相加除以天数可得每天的平均充电桩数量；
(4)以步骤(3)中计算的最优充电桩数量作为K均值聚类的簇数，集中所有天数的最优充电桩位置数据并进行K均值聚类分析，所得簇的位置(经纬度)即为最优充电桩选址。
其中，步骤(1)所述的电动出租车GPS数据的字段包括车辆ID、时刻time、车辆行驶速度speed、车辆经纬度(lat，lon)、车辆是否载客(state)。
进一步的，步骤(1)同时满足以下条件的电动出租车所处位置即为所述的充电需求点：
(1)电动出租车的行驶速度speed为零；
(2)电动出租车处于空载状态(state＝“f”)；
(3)电动出租车此时对应的累加行驶里程SL大于150km；
(4)电动出租车处于停车状态且停车时间TT大于1h。
将上传的GPS数据中电动出租车的瞬时速度speed，因为间隔时间较小，因此将行驶速度作为GPS数据上传时间间隔内的平均行驶速度；所述GPS上传时间间隔内的出租车行驶距离可用以下公式计算：
Sj＝tj×speedj
j表示时间间隔的次序，Sj表示上传时间间隔内的出租车行驶距离(简称瞬时行驶里程)，tj表示GPS数据上传时间间隔，speedj表示该段时间间隔内的平均速度。通过postgreSQL等数据库技术可求得每天每辆电动出租车的累加行驶里程SL。
所述的电动出租车处于停车状态且停车时间TT大于1h条件通过以下方法判断：将累加行驶里程SL保持不变的电动出租车所处位置作为其停车位置,每辆电动出租车的结束停车时刻timeE与开始停车时刻timeT之差即为该车的停车时间TT，可刷选出停车时间大于1h的停车点。
步骤(2)中的总成本目标函数如下所示：
CQ＝a×Q×24+b×(TXQ÷3600+TPQ÷3600)
式中a表示一个充电桩单位时间内的费用，为常数，单位为元/h；b表示电动出租车单位时间的空载费用，为常数,单位为元/h；Q表示充电桩数量，TXQ表示从充电需求点行驶到充电桩的空载时间，TPQ表示电动出租车在充电桩的排队时间。
进一步的，步骤(2)中每天的充电需求点求解总成本最小的充电桩数量及所处位置包括以下步骤：
(2.1)假设一天共有M个充电需求点，则所需充电桩数量Q的范围为(1～M)；
(2.2)指定K均值聚类方法的簇数为Q(相当于充电桩的数量)，通过对一天内充电需求点所在位置(经纬度)进行聚类可得簇数为n时的簇位置(相当于充电桩位置)；采用同样的方式计算其他簇数(1～M)时的充电桩位置；每个充电桩满足诺干个充电需求点的充电需求，属于某个充电桩的充电需求点只能到该充电桩进行充电；
(2.3)求解所有充电需求点到所属充电桩的行驶时间之和TXS以及所有充电需求点的排队时间之和TPS；
(2.4)计算每个选址方案下的总成本CQ，使总成本CQ最小的选址方案即为该天的最优选址方案，且为最优充电桩数量及位置。
步骤(2.3)中计算所有充电需求点到所属充电桩的行驶时间之和TXS计算如下：
设某个充电需求点的经纬度为(X,Y),其所属充电桩的经纬度为(W,R),从充电需求点到充电桩的平均行驶速度为V，则从该充电需求点行驶到充电桩的时间TX为：
所有充电需求点行驶到其所属充电桩的时间之和即为TXQ。
进一步的，步骤(2.3)中计算所有充电需求点的排队时间之和TPS如下所示：
(2.3.1)确定充电需求点，所述充电需求点计算信息包括电动出租车经纬度(lat,lon)、开始停车时刻timeK(相当于充电需求点开始前往所属充电桩的时刻)、结束停车时间timeE、停车时间TT、累加行驶里程SL、所属充电桩；
(2.3.2)将每个充电需求点开始前往所属充电桩的时刻timeK加上该充电需求点行驶到充电桩的时间TX即为电动出租车到达充电桩的时刻TD；
(2.3.3)将一天内的充电需求点按所属的充电桩进行分类，以单个充电桩作为基本研究单元，将属于同一个充电桩的所有充电需求点到达该充电桩的时刻TD按从小到大的顺序排列；
(2.3.4)第一个到达充电桩的车辆优先接受充电服务,第一辆到达充电桩的车辆其排队时间TP1为零；第一辆到达充电桩的车辆,其到达充电桩的时刻TD1即为其开始充电时刻TK1,开始充电时刻TK1加上充电时间TC1即为其充电完成时刻TE1,第一辆到达车辆的充电完成时刻TE1与第二辆到达车辆到达充电桩的时刻TD2与之差即为第二辆到达车辆的排队时间TP2(诺TD2＞TE2,TP2＝0)，以此方法计算出其他时刻到达车辆的排队时间；
(2.3.5)所有充电需求点的排队时间TP之和即为TPS。
更具体的，步骤(2.3.4)中计算充电需求点的充电时间TC如下所示：
(2.3.4.1)假设所有车辆每次充电都充满，每辆车都具有相同的最大电池容量，即都具有相同的最大续航里程SM；
(2.3.4.2)用最大续航里程SM减去各充电需求点的累加行驶里程SL可得该充电需求点的充电里程SC；
(2.3.4.3)结合电动出租车充电时间TC与充电里程SC的对应关系可得每个充电需求点的充电时间TC。
所述聚类的基本算法：首先选择k个初始质心，将每个数据点指派给最近的质心，指派给一个质心的全部点形成一个簇；然后依据指派给定的点，更新每个簇的质心；重复指派及更新步骤，直到簇不再发生变化，即质心不再发生变化为止。本发明采用K均值聚类方法将充电需求点的位置划分为不同的区域，也即划分为不同的充电桩选址区域。通过大数据技术计算不同布置方案下的总成本，最终选择一个总成本最小的方案作为该天的最优选址方案。
本发明基于电动出租车每天的行驶轨迹寻找车辆的停车位置及停车时间，利用车辆的停车时间来给电动出租车充电，利用车辆的停车位置做充电桩的选址规划，最后可结合最优充电桩的分布以及实际情况确定充电站的数量、布局及规模。
有益效果：本发明的显著效果在于依据实际的电动出租车充电需求点确定充电桩的数量及位置，突破了常规方法人为确定备选充电桩数量、位置以及无法确定充电站建设规模的弊端。另一方面所提供的选址方法既可以充分提高电动出租车的运输效率、又可以节约充电桩的建设和维护成本。
附图说明
图1为本发明的整体结构示意图；
图2为电动出租车GPS数据字段；
图3为充电需求点需要满足条件；
图4为确定一天时段内的最优充电桩选址流程图；
图5为确定一天时段内的每个充电需求点充电时间流程图；
图6为确定一天时段内的所有充电需求点(待充电车辆)排队时间流程图。
具体实施方式
为了详细的说明本发明公开的技术方案，下面结合说明书附图和具体实施方式作进一步的阐述。
实施例1
一种基于大数据的电动出租车充电桩选址方法，该方法基于电动出租车每天的行驶轨迹寻找车辆的停车位置及停车时间，利用车辆的停车时间来给电动出租车充电，利用车辆的停车位置进行充电桩选址。电动出租车GPS数据的字段包括车辆ID、时刻time、车辆行驶速度speed、车辆经纬度(lat，lon)、车辆是否载客(state)。该方法包括以下步骤：
步骤1：以一天作为基本的研究单元，首先基于一天的电动出租车GPS数据寻找充电需求点；
步骤2：假设一天内共有M个充电需求点，则最理想的状态是在每个充电需求点所在位置设置一个充电桩，则从理论上看充电桩的数量和位置能完全满足所有的充电需求。但考虑到建设和维护成本以及现实实施中的可行性，有必要进一步优化充电桩的数量及位置，使其既能最大限度地满足充电需求，又能降低成本并保证现实实施的可行性。假设一天共有M个充电需求点，则所需充电桩数量Q的范围为(1～M)。一般来说充电桩越多，其提供的充电服务越好(排队时长较短，空载时长较短)，但充电桩的建设和维护费用就会越大。因此需要建立一个总成本目标函数，基于一天的充电需求点求解满足总成本最小的充电桩数量及所处位置；
步骤3：将所有天数的最优充电桩数量相加并比上天数可得每天的平均充电桩数量，该平均值即为该方法所求的最优充电桩数量；
步骤4：以步骤3中计算的最优充电桩数量作为K均值聚类的簇数，集中所有天数的最优充电桩位置数据并进行K均值聚类分析，所得簇的位置(经纬度)即为本发明所求的最优充电桩选址。
同时满足以下所有条件的电动出租车所处位置即为步骤1中所述的充电需求点：
(1)电动出租车的行驶速度speed为零；
(2)电动出租车处于空载状态(state＝“f”)；
(3)电动出租车此时对应的累加行驶里程SL大于150km；
(4)电动出租车处于停车状态且停车时间TT大于1h。
步骤(2)中电动出租车的累加行驶里程SL的计算方法：GPS原始数据包含车牌号ID、经纬度(lat,lon)、速度speed、时刻time及是否载客state等字段。由于GPS数据一般每隔几秒或十几秒上传一次，且上传数据中包含电动出租车的瞬时速度speed，因为间隔时间较小，因此该速度可看作GPS数据上传时间间隔内的平均行驶速度。GPS上传时间间隔内的出租车行驶距离可用以下公式计算：
Sj＝tj×speedj
Sj表示上传时间间隔内的出租车行驶距离(简称瞬时行驶里程)，tj表示GPS数据上传时间间隔，speedj表示该段时间间隔内的平均速度。通过postgreSQL等数据库技术可求得每天每辆电动出租车的累加行驶里程SL。
电动出租车处于停车状态且停车时间TT大于1h等条件可通过以下方法判断：累加行驶里程SL保持不变的电动出租车所处位置即可看作其停车位置,每辆电动出租车的结束停车时刻timeE与开始停车时刻timeT之差即为该车的停车时间TT，可刷选出停车时间大于1h的停车点。
总成本目标函数如下所示：
CQ＝a×Q×24+b×(TXQ÷3600+TPQ÷3600)
式中a表示一个充电桩单位时间内的费用，为常数，单位为元/h；b表示电动出租车单位时间的空载费用，为常数,单位为元/h；Q表示充电桩数量，TXQ表示从充电需求点行驶到充电桩的空载时间，TPQ表示电动出租车在充电桩的排队时间。
基于一天的充电需求点求解总成本最小的充电桩数量及所处位置步骤如下所示：
步骤1：假设一天共有M个充电需求点，则所需充电桩数量Q的范围为(1M)；
步骤2：指定K均值聚类方法的簇数为Q(相当于充电桩的数量)，通过对一天内充电需求点所在位置(经纬度)进行聚类可得簇数为n时的簇位置(相当于充电桩位置)；采用同样的方式计算其他簇数(1～M)时的充电桩位置；每个充电桩满足诺干个充电需求点的充电需求，属于某个充电桩的充电需求点只能到该充电桩进行充电；
步骤3：求解所有充电需求点到所属充电桩的行驶时间之和TXS以及所有充电需求点的排队时间之和TPS；
步骤4：计算每个选址方案下的总成本CQ，使总成本CQ最小的选址方案即为该天的最优选址方案(最优充电桩数量及位置)。
计算所有充电需求点到所属充电桩的行驶时间之和TXS如下所示：
步骤1：设某个充电需求点的经纬度为(X,Y),其所属充电桩的经纬度为(W,R),从充电需求点到充电桩的平均行驶速度为V，则从该充电需求点行驶到充电桩的时间TX为：
步骤2：所有充电需求点行驶到其所属充电桩的时间之和即为TXQ。
计算所有充电需求点的排队时间之和TPS如下所示：
步骤1：经过上文的分析，充电需求点包含的信息有：电动出租车经纬度(lat,lon)、开始停车时刻timeK(相当于充电需求点开始前往所属充电桩的时刻)、结束停车时间timeE、停车时间TT、累加行驶里程SL、所属充电桩；
步骤2：将每个充电需求点开始前往所属充电桩的时刻timeK加上该充电需求点行驶到充电桩的时间TX即为电动出租车到达充电桩的时刻TD；
步骤3：将一天内的充电需求点按所属的充电桩进行分类，以单个充电桩作为基本研究单元，将属于同一个充电桩的所有充电需求点到达该充电桩的时刻TD按从小到大的顺序排列；
步骤4：第一个到达充电桩的车辆优先接受充电服务,第一辆到达充电桩的车辆其排队时间TP1为零；第一辆到达充电桩的车辆,其到达充电桩的时刻TD1即为其开始充电时刻TK1,开始充电时刻TK1加上充电时间TC1即为其充电完成时刻TE1,第一辆到达车辆的充电完成时刻TE1与第二辆到达车辆到达充电桩的时刻TD2与之差即为第二辆到达车辆的排队时间TP2(诺TD2＞TE2,TP2＝0)，同理可算出其他时刻到达车辆的排队时间；
步骤5：所有充电需求点的排队时间TP之和即为TPS。
步骤4中计算充电需求点的充电时间TC如下所示：
步骤1：假设所有车辆每次充电都充满，每辆车都具有相同的最大电池容量，也即都具有相同的最大续航里程SM；
步骤2：用最大续航里程SM减去各充电需求点的累加行驶里程SL可得该充电需求点的充电里程SC；
步骤3：结合电动出租车充电时间TC与充电里程SC的对应关系可得每个充电需求点的充电时间TC。
所述聚类算法,聚类就是对物理对象或抽象的集合进行分组的过程，所生成的组称为簇。簇内部任意对象之间应该具有较高的相似性，而隶属于不同簇的两个对象之间应该具有较高的相异度。相异度一般根据描述对象的属性进行计算，最常采用的度量指标是对象间的距离。k均值算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，试图划分k(用户指定个数)个簇。
实施例2
本实施例选取某城市某天的出租车GPS数据作为研究对象，结合电动出租车在实际运作过程中相关参数和特性对本发明提供的方法做详细的说明。
一种基于大数据的电动出租车选址方法，该方法包括以下步骤：
步骤1：选取某城市某天的出租车GPS原始数据为研究对象，数据大小为867M，共包含1073万行数据，包含车辆ID、行驶速度speed、时刻time、经纬度(lat,lon)、载客状态(state)等字段，部分原始数据如下表所示：
表1部分原始数据
车牌号 经度 维度 速度(km/h) 时刻(s) 是否载客
苏B7T083 31.513 120.281 15 0 0
苏B2T135 31.550 120.287 0 5 0
苏B1T121 31.522 120.338 0 5 1
苏B6T716 31.548 120.440 0 10 1
苏B2T023 31.581 120.288 0 15 0
苏B7T271 31.597 120.297 0 25 0
苏B7T136 31.526 120.301 0 30 0
苏B0T908 31.581 120.304 0 35 0
苏B2T289 31.593 120.356 32 40 1
苏B2T711 31.599 120.284 30 40 0
步骤2：依据GPS原始数据找出每辆电动出租车一天内的行驶数据并将其单独存放。
表2电动出租车一天的行驶数据(以苏B7T083部分数据为例)
步骤3：根据公式Sj＝tj×speedj计算每辆电动出租车的累加行驶里程。
表3电动出租车一天内的累加行驶里程(以苏B7T083部分数据为例)
步骤4：依据累加行驶距离不变找出每辆电动出租车的停车点及停车时间，同一辆车不同时刻其对应的停车时间不一样，在该位置的停车时间以最大的停车时间为准，如下表中的苏B7T376车辆，在39181s时刻其停车时间为1719s，在39242s时刻其停车时间达到最大值1780s，因此该车在该位置的停车时间为1780s。
表4电动出租车一天内的停车点(以部分数据为例)
步骤5：依据行驶速度为零、空载(state为0)、累加行驶里程不变且大于150km、处于停车状态且停车时间大于1h等条件共找出2153个充电需求点。
表5电动出租车一天内的充电需求点(以部分数据为例)
步骤6：假设K均值聚类的簇数为400，对步骤4中求得的充电需求点进行聚类，所得部分聚类中心(相当于充电桩设置位置)如下表所示，同理苛求得其他簇数时的聚类中心。
表6簇数为400时的部分充电桩设置位置
经度 维度
充电桩1 31.574 120.32165
充电桩2 31.503717 120.4237
充电桩3 31.546633 120.2669
充电桩4 31.5037 120.2888
充电桩5 31.610916 120.25882
充电桩6 31.559933 120.2582
充电桩7 31.605818 120.2954
充电桩8 31.589933 120.35948
充电桩9 31.544533 120.27345
充电桩10 31.606466 120.28463
步骤7：充电桩数量为400时充电桩1的充电需求点如下表所示。同理可获得其他充电桩的充电需求点。
表7充电桩数量为400时的充电桩1的充电需求点
步骤8：应用公式计算充电需求点到其所属充电桩的行驶时间，假设平均行驶速度V为30km/h。同理可求得其他充电需求点到其所属充电桩的行驶时间，同理可求得其他充电桩数量时的行驶时间TX。
表8充电桩数量为400时充电需求点到其所属充电桩1的行驶时间(以部分数据为例)
步骤9：由步骤8中计算结果，可得充电桩数量为400时所有充电需求点到充电桩的时间之和TXS为96885秒，同理可求得其他充电桩数量时充电需求点到充电桩的时间之和如下表所示。由表可知随着充电桩数量的增加到充电桩的行驶时间之和越小。
表8不同充电桩数量时所有充电需求点到充电桩的时间之和(以部分数据为例)
步骤10：假设电动出租车采用快充方式，据统计电动出租车从电量30％充到电量80％的充电时间为90分钟；电动出租车的最大续航里程为250km，30％电量的可行驶里程为75km，80％电量的可行驶里程为200km,假设充电里程随着时间是均匀增加的，也即每分钟增加1.39km的充电里程。依据充电需求点的充电里程与充电时间的对应关系，可求得如下表所示的充电时间。
表9充电需求点的充电时间(以部分数据为例)
步骤11：由步骤7得到的充电桩数量为400时充电桩1的充电需求点，其所包含的信息如下表所示，其中开始停车时刻等于结束停车时刻减去停车时间。
表10充电桩数量为400时的充电桩1的充电需求点信息
步骤12：计算每个充电桩内的充电需求点的排队时间步骤：将一天内的充电需求点按所属的充电桩进行分类，以单个充电桩作为基本研究单元；将每个充电需求点开始前往所属充电桩的时刻timeK(相当于开始停车时间)加上该充电需求点行驶到充电桩的时间TX即为电动出租车到达充电桩的时刻TD，并将TD按从小到大的顺序排列；第一个到达充电桩的车辆优先接受充电服务,第一辆到达充电桩的车辆其排队时间TP1为零；第一辆到达充电桩的车辆,其到达充电桩的时刻TD1即为其开始充电时刻TK1,开始充电时刻TK1加上充电时间TC1即为其充电完成时刻TE1,第一辆到达车辆的充电完成时刻TE1与第二辆到达车辆到达充电桩的时刻TD2与之差即为第二辆到达车辆的排队时间TP2(诺TD2＞TE2,TP2＝0)，同理可算出其他时刻到达车辆的排队时间。充电桩数量为400时所有充电需求点的排队时间之和为12918000秒。同理可求点其他充电桩数量时的排队时间之和。
表10充电桩数量为400时的充电桩1的排队时间(按到达充电桩时刻排列)
步骤13：不同充电桩数量时的选址方案信息如下表所示。
依据公式总成本目标函数CQ＝a×Q×24+b×(TXQ÷3600+TPQ÷3600)计算各选址方案的总成本，该总成本是每天的总成本。
表11不同充电桩数量时的选址方案信息(以部分数据为例)
可知这十个选址方案中的最小成本为262345.38元，最优充电桩数量为200个，其所对应的充电桩选址即为最优选址。

Claims (10)

1.一种基于大数据的电动出租车充电桩选址方法，其特征在于：所述的方法基于电动出租车GSP数据和行驶轨迹，利用车辆的停车时间来给电动出租车充电和进行充电桩选址，包括以下步骤：
(1)获取一天内的电动出租车GPS数据，并刷选出一天内每辆电动出租车的GPS数据；
(2)依据电出租车的GPS数据计算出电动出租车每天的充电需求位置及充电需求时间及其总成本目标函数；
(3)计算每天电动出租车充电需求位置及充电时间，据此计算满足所有充电需求以及总成本最小的一天最优充电桩数量及选址，所述最优充电桩数通过将所有天数的最优充电桩数量相加后除以天数可得每天的平均充电桩数量；
(4)以步骤(3)中计算的最优充电桩数量作为K均值聚类的簇数，集中所有天数的最优充电桩位置数据并进行K均值聚类分析，所得簇的位置即为最优充电桩选址。
2.根据权利要求1所述的一种基于大数据的电动出租车充电桩选址方法，其特征在于：步骤(1)所述的电动出租车GPS数据的字段包括车辆ID、时刻time、车辆行驶速度speed、车辆经纬度、车辆是否载客。
3.根据权利要求2所述的一种基于大数据的电动出租车充电桩选址方法，其特征在于：步骤(1)同时满足以下条件的电动出租车所处位置即为所述的充电需求点：
(1)电动出租车的行驶速度speed为零；
(2)电动出租车处于空载状态；
(3)电动出租车此时对应的累加行驶里程SL大于150km；
(4)电动出租车处于停车状态且停车时间TT大于1h。
4.根据权利要求3所述的一种基于大数据的电动出租车充电桩选址方法，其特征在于：将行驶速度speed作为gps上传数据时间间隔内的平均速度；所述GPS上传时间间隔内的出租车行驶距离可用以下公式计算：
Sj＝tj×speedj
j表示时间间隔的次序，Sj表示上传时间间隔内的出租车行驶距离(简称瞬时行驶里程)，tj表示GPS数据上传时间间隔，speedj表示该段时间间隔内的平均速度；通过postgreSQL等数据库技术可求得每天每辆电动出租车的累加行驶里程SL。
5.根据权利要求3所述的电动出租车处于停车状态且停车时间TT大于1h条件判断方法如下：将累加行驶里程SL保持不变的电动出租车所处位置作为其停车位置,每辆电动出租车的结束停车时刻timeE与开始停车时刻timeT之差即为该车的停车时间TT，可刷选出停车时间大于1h的停车点。
6.根据权利要求1所述的一种基于大数据的电动出租车充电桩选址方法，其特征在于：步骤(2)中的总成本目标函数如下所示：
CQ＝a×Q×24+b×(TXQ÷3600+TPQ÷3600)
式中a表示一个充电桩单位时间内的费用，为常数，单位为元/h；b表示电动出租车单位时间的空载费用，为常数,单位为元/h；Q表示充电桩数量，TXQ表示从充电需求点行驶到充电桩的空载时间，TPQ表示电动出租车在充电桩的排队时间。
7.根据权利要求1所述的一种基于大数据的电动出租车充电桩选址方法，其特征在于，步骤(2)中每天的充电需求点求解总成本最小的充电桩数量及所处位置包括以下步骤：
(2.1)假设一天共有M个充电需求点，则所需充电桩数量Q的范围为(1～M)；
(2.2)指定K均值聚类方法的簇数为Q(相当于充电桩的数量)，通过对一天内充电需求点所在位置(经纬度)进行聚类可得簇数为n时的簇位置(相当于充电桩位置)；采用同样的方式计算其他簇数(1～M)时的充电桩位置；每个充电桩满足诺干个充电需求点的充电需求，属于某个充电桩的充电需求点只能到该充电桩进行充电；
(2.3)求解所有充电需求点到所属充电桩的行驶时间之和TXS以及所有充电需求点的排队时间之和TPS；
(2.4)计算每个选址方案下的总成本CQ，使总成本CQ最小的选址方案即为该天的最优选址方案，且为最优充电桩数量及位置。
8.根据权利要求7所述的基于一天的充电需求点求解总成本最小的充电桩数量及所处位置，其特征在于，步骤(2.3)中计算所有充电需求点到所属充电桩的行驶时间之和TXS计算如下：
设某个充电需求点的经纬度为(X,Y),其所属充电桩的经纬度为(W,R),从充电需求点到充电桩的平均行驶速度为V，则从该充电需求点行驶到充电桩的时间TX为：
<mrow> <msub> <mi>T</mi> <mi>X</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mn>111.12</mn> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mo>{</mo> <mn>1</mn> <mo>/</mo> <mo>&amp;lsqb;</mo> <mi>sin</mi> <mi>Y</mi> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>R</mi> <mo>+</mo> <mi>cos</mi> <mi>Y</mi> <mi>cos</mi> <mi>B</mi> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>W</mi> <mo>-</mo> <mi>X</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> </mrow> <mi>v</mi> </mfrac> </mrow>
所有充电需求点行驶到其所属充电桩的时间之和即为TXQ。
9.根据权利要求7所述的基于一天的充电需求点求解总成本最小的充电桩数量及所处位置，其特征在于，步骤(2.3)中计算所有充电需求点的排队时间之和TPS如下所示：
(2.3.1)确定充电需求点，所述充电需求点计算信息包括电动出租车经纬度(lat,lon)、开始停车时刻timeK(相当于充电需求点开始前往所属充电桩的时刻)、结束停车时间timeE、停车时间TT、累加行驶里程SL、所属充电桩；
(2.3.2)将每个充电需求点开始前往所属充电桩的时刻timeK加上该充电需求点行驶到充电桩的时间TX即为电动出租车到达充电桩的时刻TD；
(2.3.3)将一天内的充电需求点按所属的充电桩进行分类，以单个充电桩作为基本研究单元，将属于同一个充电桩的所有充电需求点到达该充电桩的时刻TD按从小到大的顺序排列；
(2.3.4)第一个到达充电桩的车辆优先接受充电服务,第一辆到达充电桩的车辆其排队时间TP1为零；第一辆到达充电桩的车辆,其到达充电桩的时刻TD1即为其开始充电时刻TK1,开始充电时刻TK1加上充电时间TC1即为其充电完成时刻TE1,第一辆到达车辆的充电完成时刻TE1与第二辆到达车辆到达充电桩的时刻TD2与之差即为第二辆到达车辆的排队时间TP2(若TD2＞TE2,TP2＝0)，以此方法计算出其他时刻到达车辆的排队时间；
(2.3.5)所有充电需求点的排队时间TP之和即为TPS。
10.根据权利要求9所述的计算所有充电需求点的排队时间之和TPS，其特征在于，步骤(2.3.4)中计算充电需求点的充电时间TC如下所示：
(2.3.4.1)假设所有车辆每次充电都充满，每辆车都具有相同的最大电池容量，即都具有相同的最大续航里程SM；
(2.3.4.2)用最大续航里程SM减去各充电需求点的累加行驶里程SL可得该充电需求点的充电里程SC；
(2.3.4.3)结合电动出租车充电时间TC与充电里程SC的对应关系可得每个充电需求点的充电时间TC。
CN201711224096.XA 2017-11-29 2017-11-29 一种基于大数据的电动出租车充电桩选址方法 Active CN108053058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711224096.XA CN108053058B (zh) 2017-11-29 2017-11-29 一种基于大数据的电动出租车充电桩选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711224096.XA CN108053058B (zh) 2017-11-29 2017-11-29 一种基于大数据的电动出租车充电桩选址方法

Publications (2)

Publication Number Publication Date
CN108053058A true CN108053058A (zh) 2018-05-18
CN108053058B CN108053058B (zh) 2021-12-07

Family

ID=62121010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711224096.XA Active CN108053058B (zh) 2017-11-29 2017-11-29 一种基于大数据的电动出租车充电桩选址方法

Country Status (1)

Country Link
CN (1) CN108053058B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767055A (zh) * 2018-11-23 2019-05-17 上海电享信息科技有限公司 充电站点评估推荐平台及其采用的评估推荐方法
CN109840640A (zh) * 2019-03-06 2019-06-04 清华大学 一种电动汽车充电桩的选址方法和系统
CN109872070A (zh) * 2019-02-22 2019-06-11 中南大学 基于团划分的静态充电桩部署方法
CN109977527A (zh) * 2019-03-21 2019-07-05 华北电力大学 一种城市公共充电站网络的充电桩配置方法
CN110458589A (zh) * 2019-02-01 2019-11-15 吉林大学 基于轨迹大数据的路侧式出租车停靠站选址优选方法
CN110751356A (zh) * 2018-12-07 2020-02-04 北京嘀嘀无限科技发展有限公司 一种服务设备选址方法及装置
CN111695942A (zh) * 2020-06-17 2020-09-22 云南省设计院集团有限公司 一种基于时间可靠性的电动汽车充电站选址方法
CN112733309A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 布设位置的确定方法和装置、电子设备和存储介质
CN113665402A (zh) * 2021-07-26 2021-11-19 华南理工大学 一种基于电池充电特性的充电桩集群有序充电方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521488A (zh) * 2011-11-28 2012-06-27 山东电力集团公司济南供电公司 一种电动汽车换电站选址方法
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法
CN106207290A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种基于多源数据的电动汽车充电辅助决策优化方法
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521488A (zh) * 2011-11-28 2012-06-27 山东电力集团公司济南供电公司 一种电动汽车换电站选址方法
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法
CN106207290A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种基于多源数据的电动汽车充电辅助决策优化方法
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李萌等: "基于遗传 均值聚类的电动汽车充电站选址优化研究", 《农业装备与车辆工程》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767055A (zh) * 2018-11-23 2019-05-17 上海电享信息科技有限公司 充电站点评估推荐平台及其采用的评估推荐方法
CN110751356A (zh) * 2018-12-07 2020-02-04 北京嘀嘀无限科技发展有限公司 一种服务设备选址方法及装置
CN110458589B (zh) * 2019-02-01 2023-02-10 吉林大学 基于轨迹大数据的路侧式出租车停靠站选址优选方法
CN110458589A (zh) * 2019-02-01 2019-11-15 吉林大学 基于轨迹大数据的路侧式出租车停靠站选址优选方法
CN109872070A (zh) * 2019-02-22 2019-06-11 中南大学 基于团划分的静态充电桩部署方法
CN109840640A (zh) * 2019-03-06 2019-06-04 清华大学 一种电动汽车充电桩的选址方法和系统
CN109840640B (zh) * 2019-03-06 2021-01-12 清华大学 一种电动汽车充电桩的选址方法和系统
CN109977527A (zh) * 2019-03-21 2019-07-05 华北电力大学 一种城市公共充电站网络的充电桩配置方法
CN111695942A (zh) * 2020-06-17 2020-09-22 云南省设计院集团有限公司 一种基于时间可靠性的电动汽车充电站选址方法
CN112733309A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 布设位置的确定方法和装置、电子设备和存储介质
CN113665402A (zh) * 2021-07-26 2021-11-19 华南理工大学 一种基于电池充电特性的充电桩集群有序充电方法
CN113665402B (zh) * 2021-07-26 2023-06-20 华南理工大学 一种基于电池充电特性的充电桩集群有序充电方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统

Also Published As

Publication number Publication date
CN108053058B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN108053058A (zh) 一种基于大数据的电动出租车充电桩选址方法
Wu et al. Electric vehicles’ energy consumption measurement and estimation
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
CN106599390B (zh) 一种计及电动出租车时空随机特性的充电负荷的计算方法
CN109711630A (zh) 一种基于出行概率矩阵的电动汽车快充站选址定容方法
CN102880921B (zh) 一种电动汽车充电站选址优化方法
CN109927709A (zh) 一种车辆行驶路线工况确定方法、能量管理方法及系统
CN107330559A (zh) 一种多起终点多车型混载的定制公交线路规划方法
CN106530180A (zh) 一种高寒地区充电服务网络规划方法
CN107169605A (zh) 基于车辆定位信息的城市电动汽车充电站选址方法
CN114021795B (zh) 一种考虑电动汽车充电需求的充电站规划方法及系统
CN112613731B (zh) 基于复杂网络理论的电动汽车充电站能效评估方法
CN107403289A (zh) 一种考虑接入光伏发电站的高速公路充电站选址定容方法
CN109703389A (zh) 基于新能源公交车的车桩网一体化充电调度装置及方法
CN110232219A (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
CN112115385A (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法
CN108133329B (zh) 考虑充电反馈效应的电动汽车出行与充电需求分析方法
CN118071109B (zh) 一种电动汽车充电站选址定容方法、系统、设备和介质
CN106373384A (zh) 边远地区客运班车线路实时生成方法
CN106130110A (zh) 基于分层概率选择出行地的电动出租车充电站定容方法
CN106372761A (zh) 一种基于群智计算的公交自行车出行路线规划方法
Guo et al. Optimal path planning method of electric vehicles considering power supply
CN116681323B (zh) 基于个人出行链的碳排放计算方法、电子设备、介质
Liao et al. Load modeling for electric taxi battery charging and swapping stations: Comparison studies
CN115049272A (zh) 一种基于电池交换进行中间站充电的电动公交调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant